Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis

要約

副腎由来の神経芽細胞腫は、有意な臨床的不均一性を特徴とする最も一般的な小児固形悪性の一つです。
ヘマトキシリンとエオシン染色全体のスライド画像からのタイムリーで正確な病理学的診断は、患者の予後に重要です。
ただし、現在の診断慣行は主に病理学者による主観的な手動検査に依存しており、一貫性のない精度につながります。
既存の自動化された全体のスライド画像分類方法は、解釈可能性の低さ、限られた特徴抽出機能、高い計算コストなどの課題に遭遇し、実際の臨床展開を制限します。
これらの制限を克服するために、病理学的画像分類に合わせた対照的な学習ベースのマルチスケール機能融合モデルであるCmswinkanを提案します。これは、マルチレイヤーパーセプトロンと分類ヘッドモジュール内のカーネルアクティベーションネットワークを統合し、解釈と正確性の両方を大幅に改善することにより、SWINトランスネットワークを強化します。
マルチスケールの機能を融合させ、対照的な学習戦略を活用することにより、CMSwinkanは臨床医の包括的なアプローチを模倣し、グローバルおよびローカル組織の特性を効果的に獲得します。
さらに、臨床的洞察に導かれたヒューリスティックなソフト投票メカニズムを紹介し、パッチレベルの予測をシームレスにブリッジする画像レベルの分類全体にシームレスに橋渡しします。
PPNTSデータセットでCmswinkanを検証します。これは、パートナー病院と公開可能なBreakhisデータセットと協力して確立されました。
結果は、Cmswinkanが大規模なデータセットで事前に訓練された既存の最先端の病理固有のモデルよりも優れていることを示しています。
ソースコードは、https：//github.com/jsliam94/cmswinkanで入手できます。

要約(オリジナル)

Neuroblastoma, adrenal-derived, is among the most common pediatric solid malignancies, characterized by significant clinical heterogeneity. Timely and accurate pathological diagnosis from hematoxylin and eosin-stained whole slide images is critical for patient prognosis. However, current diagnostic practices primarily rely on subjective manual examination by pathologists, leading to inconsistent accuracy. Existing automated whole slide image classification methods encounter challenges such as poor interpretability, limited feature extraction capabilities, and high computational costs, restricting their practical clinical deployment. To overcome these limitations, we propose CMSwinKAN, a contrastive-learning-based multi-scale feature fusion model tailored for pathological image classification, which enhances the Swin Transformer architecture by integrating a Kernel Activation Network within its multilayer perceptron and classification head modules, significantly improving both interpretability and accuracy. By fusing multi-scale features and leveraging contrastive learning strategies, CMSwinKAN mimics clinicians’ comprehensive approach, effectively capturing global and local tissue characteristics. Additionally, we introduce a heuristic soft voting mechanism guided by clinical insights to seamlessly bridge patch-level predictions to whole slide image-level classifications. We validate CMSwinKAN on the PpNTs dataset, which was collaboratively established with our partner hospital and the publicly accessible BreakHis dataset. Results demonstrate that CMSwinKAN performs better than existing state-of-the-art pathology-specific models pre-trained on large datasets. Our source code is available at https://github.com/JSLiam94/CMSwinKAN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google